Kümeleme algoritmaları nelerdir ve veri yapısına göre nasıl seçilir?

Kümeleme algoritmasını, verinizdeki benzerliğin ne anlama geldiğine göre seçin. Sayısal ve kompakt gruplarda K-Means iyi bir başlangıç olabilir. Eğri biçimli yoğun gruplar ve gürültü için DBSCAN; yoğunlukları belirgin biçimde farklı gruplar için HDBSCAN değerlendirilebilir. Hiyerarşik yöntemler grup yapısını farklı ayrıntı düzeylerinde incelemeyi sağlar. Hiçbiri her veri kümesinde en iyi sonucu garanti etmez.

Önce veri türünü ve ölçeğini kontrol edin​

Kümeleme öncesinde eksik değerleri, aykırı gözlemleri ve aynı bilgiyi tekrarlayan sütunları inceleyin. Gelir ve ziyaret sayısı gibi farklı ölçeklerdeki sayısal özellikler, uzaklığa farklı ölçüde katkı verir. StandardScaler gibi bir dönüşüm kullanabilirsiniz; ancak hangi değişkenin ne kadar önem taşıması gerektiğine de karar verin. Standardizasyon aykırı değerleri ortadan kaldırmaz.

Kategori adlarını rastgele 1, 2, 3 diye kodlayıp bu sayıların Öklid uzaklığını anlamlı kabul etmeyin. Kategorik veya karma veride uygun kodlama ve uzaklık seçimi gerekir. Çok yüksek boyutlu veride de uzaklıkların ayırt ediciliğini ve gereksiz özellikleri değerlendirin; yalnız boyut sayısı yüksek diye bir algoritma seçmeyin.

Veri yapısına göre hangi yöntemle başlanır?​

Aşağıdaki tablo kesin seçim kuralı değil, karşılaştırılacak adayları daraltmak içindir. scikit-learn kümeleme rehberi bu yöntemlerin varsayımlarını ve sınırlarını açıklar.


K-Means küme sayısını ister; DBSCAN ise komşuluk yarıçapı ve yoğunluk koşuluyla çalışır. Bu nedenle birinde n_clusters seçerken diğerinde aynı parametreyi aramayın. HDBSCAN’in farklı yoğunlukları ele alması, DBSCAN’den her durumda daha iyi veya daha hızlı olacağı anlamına gelmez. Ayrıntılar resmî HDBSCAN açıklamasında yer alır.

İki veya üç adayı nasıl karşılaştırırsınız?​

1. Aynı veriden başlayın. Ön işleme ve kullanılan özellikleri kaydedin. Farklı satır veya ölçeklerle elde edilen puanları doğrudan karşılaştırmayın.
2. Küçük bir ayar aralığı deneyin. K-Means için birkaç küme sayısı; yoğunluk yöntemlerinde birkaç uygun komşuluk veya en küçük küme değeri inceleyin. Başlangıç rastgeleliği olan yöntemde farklı başlangıçlarla üyeliklerin kararlılığına bakın.
3. Grupları inceleyin. Her kümenin büyüklüğünü, özellik dağılımlarını ve aykırı gözlemlerini karşılaştırın. Tek bir gözlemden oluşan grubu otomatik olarak anlamlı bir segment kabul etmeyin.
4. Kullanım amacını doğrulayın. Bulunan gruplar sorunuza cevap veriyor mu? Küme etiketindeki 0 ve 1 sayıları anlam veya önem sırası taşımaz; farklı çalıştırmalarda numaralar yer değiştirebilir.

Silhouette puanı tek başına yeterli mi?​

Silhouette, küme içi yakınlık ile komşu kümeye uzaklığı karşılaştırır. Yüksek puan yardımcı bir işarettir; özellikle kompakt kümeleri kayırabileceği için eğri veya yoğunluk temelli gruplarda tek karar ölçütü olmamalıdır. scikit-learn’de hesaplama için en az iki farklı küme etiketi ve küme sayısından fazla gözlem gerekir.

DBSCAN ve HDBSCAN’de gürültü için kullanılan -1 etiketi, silhouette hesabından kendiliğinden çıkarılmaz. Gürültüyü dışarıda tutarsanız geriye kalan küme sayısını kontrol edin ve hangi gözlemleri dışladığınızı raporlayın. Gürültü oranını ayrıca gösterin; yalnız kolay kümelenen birkaç gözlemde yüksek puan almak bütün veri kümesinin iyi temsil edildiğini kanıtlamaz. Koşullar silhouette API belgesinde açıklanır.

Sık sorulan sorular​

Küme sayısını bilmiyorsam K-Means kullanamaz mıyım?​

Birkaç aday küme sayısını karşılaştırabilirsiniz. Dendrogram veya yoğunluk temelli bir yöntem de keşif için alternatif olabilir. Seçilen grup sayısını yalnız tek bir puana değil, kararlılığa ve grupların kullanım açısından anlamına dayandırın.

Bütün gözlemler gürültü çıktıysa ne yapmalıyım?​

Önce veri ölçeğini, uzaklık ölçüsünü ve yoğunluk ayarlarını kontrol edin. Sırf küme elde etmek için eşikleri sınırsız gevşetmeyin; veride seçtiğiniz benzerlik tanımına göre belirgin grup yapısı bulunmaması da mümkündür.